带注释的参考线python可视化_带的解释|带的意思|汉典“带”字的基本解释

详细字义

◎ 带

帶 dài

〈名〉

(1) (象形。小篆字形,上面表示束在腰间的一根带子和用带的两端打成的结。下面象垂下的须子,有装饰作用。本义:大带,束衣的腰带)

(2) 同本义 [broad belt]

带,绅也。上象系佩之形。佩必有巾,从重巾。——《说文》

不说带。——《仪礼·士虞礼记》

之子无带。——《诗·卫风·有狐》

带裳幅舄。——《左传·桓公二年》

王遂披襟解带,留连不能已。——《世说新语·文学》

子墨子解带围城。——《墨子·公输》

(3) 又如:带冕(大带和冠冕);带围(腰围,腰带);带钩(皮革腰带上的金属钩。形状一端曲直,另一端为圆钮以承钩。有动物形的,也有铸花纹的);带头(旧时衣袍外腰带上的扣头,常镶以金、玉等装饰物)

(4) 泛指狭长形条状物 [belt]

而半山居雾若带然。——清· 姚鼐《登泰山记》

(5) 又如:裤带;鞋带

(6) 根据纬度和温度把地球表面分为5个大带的任一带 [zone]。如:温带

(7) 生物地理区的典型带状区。如:海洋滨岸带;南方生物带

(8) 以某种特殊性质、作用或成分为特征的地球物质(如岩石)的分带、分层或层系。如:饱和带

(9) 轮胎 [car tire]。如:车带;里带;外带

(10) 妇科病名 [gyrecological disease]。如:白带;赤带

词性变化

◎ 带

帶 dài

〈动〉

(1) 佩带 [wear]

哙即带剑拥盾入军门。——《史记·项羽本纪》

带刀升座。——《隋书·礼仪志》

带长铗之陆离兮。——《楚辞·屈原·涉江》

(2) 又如:带甲(披戴盔甲的将士;又比喻战乱);带剑;带刀

(3) 携带 [bring]

遗已聚敛得数斗焦饭,未展归家,遂带以从军。——《世说新语·德行》

应元带刀鞬出,跃马大呼于市曰。—— 清· 邵长蘅《青门剩稿》

(4) 又如:带了两本笨重的法律书去审判。又指具有…作为属性或特征。如:他把他的老习惯带进了新生活

(5) 抚养 [bring up]。如:他是由一位农民大娘带大的

(6) 引导某人或某物 [lead]。如:带将(带,领);你带路,我们跟你走

(7) 兼管 [also;be concurrently in charge of;look after]

谢为太傅长史被弹, 王即取作长史,带 晋陵郡。——《世说新语·言语》

(8) 具有某种标志或特征 [have]。如:带叶子的橘子

◎ 带

帶 dài

(1) 表示两个动作同时进行,相当于“又” [also]。如:[他]连说带比划的,就交上朋友了;带口(随口)

(2) 表示附有较小的数量 [and little]

你不是常常说,你才三十带点,日子还很长么?——沙汀《困兽记》

常用词组

© 汉典

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值